互联网 类型
可以朗读 语音朗读
186千字 字数
2023-09-01 发行日期
展开全部

主编推荐语

一本探索如何应用图思维和图技术解决复杂问题的书。

内容简介

本书涵盖了与图数据相关的广泛主题，包括图思维、图数据模型和查询语言，讨论了如何将图数据应用于社交网络、物流和网络安全等领域的问题解决方案。

此外，本书还提供了实践指导，包括工具和框架的推荐、设计有效图数据模型的建议，以及如何使用图数据生成洞见和做出明智决策的建议。

目录

  • 版权信息
  • O'Reilly Media，Inc.介绍
  • 业界评论
  • 前言
  • 第1章 图思维
  • 1.1 为什么是现在将图引入数据库技术
  • 1.1.1 20世纪60年代～80年代：分层数据
  • 1.1.2 20世纪80年代～21世纪00年代：实体关系
  • 1.1.3 21世纪00年代～20年代：NoSQL
  • 1.1.4 21世纪20年代以后：图
  • 1.2 什么是图思维
  • 1.2.1 复杂问题和复杂系统
  • 1.2.2 业务中的复杂问题
  • 1.3 制定技术决策解决复杂问题
  • 1.3.1 现在你有了图数据，接下来是什么
  • 1.3.2 看清局势
  • 1.4 开启你的图思维旅程
  • 第2章 从关系思维进化到图思维
  • 2.1 本章预览：将关系概念转化为图术语
  • 2.2 关系和图：差异在哪里
  • 2.3 关系型数据建模
  • 2.3.1 实体和属性
  • 2.3.2 构建ERD
  • 2.4 图数据中的概念
  • 2.4.1 图的基本元素
  • 2.4.2 邻接
  • 2.4.3 邻接点
  • 2.4.4 距离
  • 2.4.5 度
  • 2.5 图结构语言
  • 2.5.1 顶点标签和边标签
  • 2.5.2 属性
  • 2.5.3 边的方向
  • 2.5.4 自指向边标签
  • 2.5.5 图的多样性
  • 2.5.6 图模型的完整示例
  • 2.6 确定是关系型还是图
  • 2.6.1 数据建模
  • 2.6.2 理解图数据
  • 2.6.3 系统目的和数据库设计
  • 2.7 总结
  • 第3章 入门：简单的C360视图
  • 3.1 本章预览：关系型技术和图技术
  • 3.2 图数据的基本用例：C360
  • 3.3 在关系型系统中实施C360应用程序
  • 3.3.1 数据模型
  • 3.3.2 关系型实现
  • 3.3.3 C360查询示例
  • 3.4 在图系统中实现C360应用程序
  • 3.4.1 数据模型
  • 3.4.2 图实现
  • 3.4.3 C360查询示例
  • 3.5 关系型与图：如何选择
  • 3.5.1 关系型与图：数据建模
  • 3.5.2 关系型与图：表示关系
  • 3.5.3 关系型与图：查询语言
  • 3.5.4 关系型与图：要点
  • 3.6 总结
  • 3.6.1 为什么不用关系型技术
  • 3.6.2 为C360应用程序做技术决策
  • 第4章 在开发环境中探索邻接点
  • 4.1 本章预览：构建一个更现实的C360
  • 4.2 图数据建模101
  • 4.2.1 这应该是一个顶点还是一条边
  • 4.2.2 迷路了吗？让我们带你找到方向
  • 4.2.3 图命名中的常见错误
  • 4.2.4 完整的开发环境图模型
  • 4.2.5 在开始开发之前
  • 4.2.6 数据、查询和终端用户的重要性
  • 4.3 在开发环境中探索邻接点的实现细节
  • 4.4 Gremlin基础导航
  • 4.5 高级Gremlin：构造查询结果
  • 4.5.1 使用project()、fold()和unfold()来构造查询结果
  • 4.5.2 在结果中使用where（neq()）模式删除数据
  • 4.5.3 使用coalesce()步骤来规划稳定的返回结果
  • 4.6 从开发到生产
  • 第5章 在生产环境中探索邻接点
  • 5.1 本章预览：学习Apache Cassandra的分布式图数据
  • 5.2 使用Apache Cassandra处理图数据
  • 5.2.1 了解数据建模最重要的概念：主键
  • 5.2.2 分布式环境中的分区键和数据位置
  • 5.2.3 学习边，第一部分：邻接表中的边
  • 5.2.4 学习边，第二部分：聚类列
  • 5.2.5 学习边，第三部分：遍历的物化视图
  • 5.3 图数据建模201
  • 5.4 生产环境的实现细节
  • 5.4.1 物化视图以及在边上添加时间
  • 5.4.2 C360最终生产版本
  • 5.4.3 批量加载图数据
  • 5.4.4 基于边的时间属性更新Gremlin查询
  • 5.5 更复杂的分布式图问题
  • 第6章 在开发环境中使用树
  • 6.1 本章预览：导航树、分层数据和循环
  • 6.2 分层和嵌套数据
  • 6.2.1 物料清单中的分层数据
  • 6.2.2 版本控制系统中的分层数据
  • 6.2.3 自组织网络中的分层数据
  • 6.2.4 为什么对分层数据使用图技术
  • 6.3 在纷繁的术语中找到出路
  • 6.3.1 树、根和叶子
  • 6.3.2 遍历深度、路径和环
  • 6.4 通过传感器数据学习层次结构
  • 6.4.1 理解数据
  • 6.4.2 使用GSL表示方法构建概念模型
  • 6.4.3 实现数据结构
  • 6.4.4 在构建查询之前
  • 6.5 开发环境中从叶子节点到根节点的查询
  • 6.5.1 传感器将信息发送到哪里
  • 6.5.2 传感器通向任意一个塔的路径
  • 6.5.3 自底向上
  • 6.6 开发环境中从根节点到叶子节点的查询
  • 6.6.1 准备查询：哪个塔连接了最多的传感器，适合作为示例
  • 6.6.2 与Georgetown直连的传感器
  • 6.6.3 所有与Georgetown相关的传感器
  • 6.6.4 递归中的深度限制
  • 6.7 回到过去
  • 第7章 在生产环境中使用树
  • 7.1 本章预览：分支系数、深度和边上的时间属性
  • 7.2 传感器数据中的时间
  • 7.3 示例中的分支系数
  • 7.3.1 什么是分支系数
  • 7.3.2 我们如何绕过分支系数
  • 7.4 传感器数据的生产结构
  • 7.5 生产环境中从叶子节点到根节点的查询
  • 7.5.1 这个传感器在什么时间将数据发送到哪里
  • 7.5.2 从传感器出发，根据时间找到所有以塔作为根节点的树
  • 7.5.3 从传感器出发，找到一棵有效树
  • 7.5.4 高级Gremlin：学习where().by()模式
  • 7.6 生产环境中从根节点到叶子节点的查询
  • 7.6.1 按时间顺序直接与Georgetown通信的传感器
  • 7.6.2 从Georgetown塔向下到达传感器的有效路径
  • 7.7 在通信塔故障的场景中应用查询
  • 7.8 以小见大
  • 第8章 开发环境中的路径查找
  • 8.1 本章预览：量化网络中的信任
  • 8.2 关于信任的三个例子
  • 8.2.1 你对公开邀请有多信任
  • 8.2.2 调查人员的故事站得住脚吗
  • 8.2.3 物流公司如何模拟包裹的投递
  • 8.3 路径的基本概念
  • 8.3.1 最短路径
  • 8.3.2 深度优先搜索和广度优先搜索
  • 8.3.3 将应用程序功能抽象为不同的路径问题
  • 8.4 信任网络中的路径查找
  • 8.4.1 源数据
  • 8.4.2 比特币术语简介
  • 8.4.3 创建开发模型
  • 8.4.4 加载数据
  • 8.4.5 探索信任社区
  • 8.5 用比特币信任网络理解遍历
  • 8.5.1 一级邻接点的地址
  • 8.5.2 二级邻接点的地址
  • 8.5.3 是二级邻接点但不是一级邻接点的地址
  • 8.5.4 Gremlin查询语言中的求值策略
  • 8.5.5 为示例挑选一个随机地址
  • 8.6 最短路径查询
  • 8.6.1 查找固定长度的路径
  • 8.6.2 查找任意长度的路径
  • 8.6.3 通过信任评分增强路径
  • 8.6.4 你信任这个人吗
  • 第9章 生产环境中的路径查找
  • 9.1 本章预览：权重、距离和剪枝
  • 9.2 加权路径和搜索算法
  • 9.2.1 最短加权路径问题的定义
  • 9.2.2 最短加权路径搜索优化
  • 9.3 最短路径问题的边权重归一化
  • 9.3.1 归一化边的权重
  • 9.3.2 更新图
  • 9.3.3 探索归一化的边权重
  • 9.3.4 学习最短加权路径查询前的一些思考
  • 9.4 最短加权路径查询
  • 9.5 生产环境中的加权路径和信任
  • 第10章 开发环境中的推荐
  • 10.1 本章预览：电影推荐的协同过滤
  • 10.2 推荐系统示例
  • 10.2.1 我们如何在医疗保健领域提供推荐
  • 10.2.2 我们如何在社交媒体上经历推荐
  • 10.2.3 我们如何在电子商务中使用深度连接的数据进行推荐
  • 10.3 协同过滤导论
  • 10.3.1 理解问题和领域
  • 10.3.2 图数据协同过滤
  • 10.3.3 基于条目的协同过滤的图数据推荐
  • 10.3.4 三种不同的推荐排序模型
  • 10.4 电影数据：结构、加载和查询
  • 10.4.1 电影推荐的数据模型
  • 10.4.2 电影推荐的结构代码
  • 10.4.3 加载电影数据
  • 10.4.4 电影数据中的邻接点查询
  • 10.4.5 电影数据中的树查询
  • 10.4.6 电影数据中的路径查询
  • 10.5 Gremlin中基于条目的协同过滤
  • 10.5.1 模型1：统计推荐集中的路径
  • 10.5.2 模型2：NPS启发
  • 10.5.3 模型3：归一化NPS
  • 10.5.4 选择你自己的冒险：电影和图问题版
  • 第11章 图中的简单实体解析
  • 11.1 本章预览：合并多个数据集到一个图
  • 11.2 定义一个不同的复杂问题：实体解析
  • 11.3 分析两个电影数据集
  • 11.3.1 MovieLens数据集
  • 11.3.2 Kaggle数据集
  • 11.3.3 开发结构
  • 11.4 匹配和合并电影数据
  • 11.5 解决假阳性
  • 11.5.1 MovieLens数据集中发现的假阳性
  • 11.5.2 在实体解析过程中发现的其他错误
  • 11.5.3 合并过程的最终分析
  • 11.5.4 图结构在合并电影数据中的作用
  • 第12章 生产环境中的推荐
  • 12.1 本章预览：快捷边、预计算和高级修剪技术
  • 12.2 实时推荐的快捷边
  • 12.2.1 我们的开发过程在哪里无法扩展
  • 12.2.2 我们如何解决扩展问题：快捷边
  • 12.2.3 探索我们的设计在生产环境中交付了什么
  • 12.2.4 修剪：预计算快捷边的不同方法
  • 12.2.5 更新推荐的考虑因素
  • 12.3 计算我们的电影数据的快捷边
  • 12.3.1 分解快捷边预计算的复杂问题
  • 12.3.2 解决刻意回避的问题：批计算
  • 12.4 电影推荐的生产结构和数据加载
  • 12.4.1 电影推荐的生产结构
  • 12.4.2 电影推荐的生产数据加载
  • 12.5 带有快捷边的推荐查询
  • 12.5.1 确认边加载正确
  • 12.5.2 为用户提供生产环境推荐
  • 12.5.3 通过计算边分区了解生产环境中的响应时间
  • 12.5.4 关于分布式图查询性能推理的最后思考
  • 第13章 结语
  • 13.1 何去何从
  • 13.1.1 图算法
  • 13.1.2 分布式图
  • 13.1.3 图论
  • 13.1.4 网络理论
  • 13.2 保持联系
  • 关于作者
  • 关于封面
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。